keremberke/yolov5n-blood-cell
keremberke
Detección de objetos
Un modelo de detección de objetos entrenado para la detección de células sanguíneas utilizando la arquitectura YOLOv5. Este modelo está equipado para llevar a cabo inferencias rápidas y precisas en imágenes, identificando múltiples objetos en una sola pasada. Es compatible con PyTorch y TensorBoard, y puede ser ajustado finamente con datos personalizados.
Como usar
Instalar yolov5:
pip install -U yolov5
Cargar modelo y realizar predicción:
import yolov5
# cargar modelo
model = yolov5.load('keremberke/yolov5n-blood-cell')
# configurar parámetros del modelo
model.conf = 0.25 # Umbral de confianza NMS
model.iou = 0.45 # Umbral IoU NMS
model.agnostic = False # NMS clase agnóstica
model.multi_label = False # múltiples etiquetas por caja
model.max_det = 1000 # número máximo de detecciones por imagen
# establecer imagen
img = 'https://github.com/ultralytics/yolov5/raw/master/data/images/zidane.jpg'
# realizar inferencia
results = model(img, size=640)
# inferencia con aumento en el tiempo de prueba
results = model(img, augment=True)
# analizar resultados
predictions = results.pred[0]
boxes = predictions[:, :4] # x1, y1, x2, y2
scores = predictions[:, 4]
categories = predictions[:, 5]
# mostrar cuadros delimitadores de detección en la imagen
results.show()
# guardar resultados en la carpeta "results/"
results.save(save_dir='results/')
Ajustar finamente el modelo en su conjunto de datos personalizado:
yolov5 train --data data.yaml --img 640 --batch 16 --weights keremberke/yolov5n-blood-cell --epochs 10
Funcionalidades
- Detección de objetos
- Compatible con PyTorch
- Integración con TensorBoard
- Configuración de parámetros del modelo
- Capacidad de aumento en el tiempo de prueba
- Visualización de cuadros de delimitación en la imagen
- Guardar resultados en una carpeta específica
Casos de uso
- Detección de células sanguíneas en imágenes médicas
- Análisis automatizado de muestras sanguíneas
- Investigación y desarrollo en biomedicina